Systems analysis of the effects of the 2014-16 Ebola crisis on WHO-reporting nations’ policy adaptations and 2020-21 COVID-19 response: a systematized review
Notice bibliographique
Résumé
BACKGROUND: Recent case studies indicate that the 2014-2016 Ebola outbreak, one of the worst pre-2020 global biological catastrophes in modern history, helped some nations to better prepared their responses for the COVID-19 pandemic. While such national case studies explore how specific nations applied EVD-related policies in their domestic battle against the COVID-19 pandemic, there is no known study that assesses how many WHO nations learned from the West African crisis and to what scale. OBJECTIVE: Applying the policy legacies analytical framework and a systematized literature review, this research examines how prior policy experiences with the 2014-16 EVD crisis as a large-scale emergent outbreak helped to inform and to condition WHO nations to proactively prepare their national policies and health systems for future threats, including ultimately COVID-19. METHODS: A systematized literature review of 803 evaluated sources assesses to what extent Ebola-affected and non-affected nations directly modified governmental health systems in relation to this warning. The study further evaluates how nations with documented Ebola-related changes fared during COVID-19 compared to nations that did not. We present a categorical theoretical framework that allows for classifying different types of national response activities (termed conditioned learning). RESULTS: Ten (90.9%) of 11 nations that were affected by 2014-16 Ebola crisis have documented evidence of repurposing their EVD-related policies to fight COVID-19. 164 (70.0%) of 234 non-EVD-affected nations had documented evidence of specifically adapting national systems to incorporate policy recommendations developed from the 2014-16 crisis, which informed their COVID-19 responses in 2020. CONCLUSIONS: The shock of 2014-16 EVD outbreak affected most nations around the world, whether they experienced Ebola cases. We further develop a categorical framework that helps characterised nations previous experiences with this biological catastrophe, providing a means to analyse to what extent that individual nations learned and how these EVD-related changes helped inform their COVID-19 response. Nations that demonstrated EVD-related conditioned learning nations tended to have more stringent COVID-19 responses before April 2020 and utilized documented response mechanisms developed out of the West African crisis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».